(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111396974.2 (22)申请日 2021.11.23 (71)申请人 西南交通大 学 地址 610031 四川省成 都市二环路北一段 (72)发明人 黄德青　赵欣宇　秦娜　袁鹏　 吕纬航　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 代理人 杨浩林 (51)Int.Cl. G06F 30/12(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) (54)发明名称 一种基于条件变分自动编码器的布局场景 生成方法 (57)摘要 本发明公开了一种基于条件变分自动编码 器的布局场景生成方法， 通过构建基于条件变分 自动编码器的场景布局模型3D ‑SLN， 利用从布局 场景中采集的训练数据以及设备坐标数据提取 布局场景中设备分布特征， 利用相似度损失函数 对基于条件变分自动编码器的场景布局模 型3D‑ SLN布局场景进行优化， 得到优化后的设备分布 特征， 并构建重叠判别器， 并根据优化后的设备 分布特征得到最终的设备分布特征， 本发明通过 充分利用以设备中心坐标进行存储的布局场景 数据， 使用场景图作为抽象而一般的表示来指导 各种场景布局的综合， 并添加条件输入， 使得输 出布局场景可控， 以满足场景图中包含的关系， 使得对合成过程的控制更加灵活， 生成不同的布 局， 并共享相同的结构输入示例。 权利要求书2页 说明书10页 附图7页 CN 114117572 A 2022.03.01 CN 114117572 A 1.一种基于条件变分自动 编码器的布局场景生成方法， 其特 征在于， 包括以下步骤： S1、 从布局场景中采集训练数据以及设备坐标 数据； S2、 构建基于条件变分自动编码器的场景布局模型3D ‑SLN， 并根据训练数据以及设备 坐标数据集提取布局场景中设备分布特 征； S3、 利用相似度损失函数对基于条件变分自动编码器的场景布局模型3D ‑SLN布局场景 进行优化， 得到优化后的设备分布特 征； S4、 构建重 叠判别器， 并根据优化后的设备分布特 征得到最终的设备分布特 征。 2.根据权利要求1所述的基于条件变分自动编码器的布局场景生成方法， 其特征在于， 步骤S1具体为： 根据布局设备中的空间坐标信 息提取三元数据以及 设备坐标数据， 并将三元数据构 成 的图数据作为训练数据。 3.根据权利要求1所述的基于条件变分自动编码器的布局场景生成方法， 其特征在于， 步骤S2具体包括以下分步骤： S21、 构建编码网络， 根据训练数据以及设备坐标 数据集得到高维正态分布数据； S22、 构建解码网络， 并根据高维正态分布数据以及训练数据提取各设备的中心坐标， 得到布局场景中设备分布特 征。 4.根据权利要求3所述的基于条件变分自动编码器的布局场景生成方法， 其特征在于， 步骤S21具体包括以下分步骤： S211、 构建第一图卷积神经网络， 并利用第一图卷积神经网络根据训练数据以及设备 坐标数据集提取初始设备分布特 征； S212、 构建第一全连接网络层， 将提取的初始设备分布特 征编码为高维正态分布数据。 5.根据权利要求4所述的基于条件变分自动编码器的布局场景生成方法， 其特征在于， 步骤S211具体为： 利用至少两层的全连接层构建第 一图卷积神经网络， 并利用构建的第 一图卷积神经网 络根据训练数据以及设备坐标数据集提取包含设备分布特征的设备嵌入式 向量， 即初始设 备分布特 征。 6.根据权利要求3所述的基于条件变分自动编码器的布局场景生成方法， 其特征在于， 步骤S22包括以下分步骤： S221、 构建第二图卷积神经网络， 从高维正态分布数据结合训练数据提取一维正态分 布数据； S222、 构建第二全连接网络层， 根据一维正态分布数据得到布局场景中各设备的中心 坐标， 得到布局场景中设备分布特 征。 7.根据权利要求6所述的基于条件变分自动编码器的布局场景生成方法， 其特征在于， 步骤S221具体为： 利用至少两层的全连接层构建第 二图卷积神经网络， 并利用构建的第 二图卷积神经网 络根据高维正态分布数据以及训练数据提取包 含设备分布特 征的一维正态分布数据。 8.根据权利要求1所述的基于条件变分自动编码器的布局场景生成方法， 其特征在于， 步骤S3具体为： 采用L1损 失函数根据设备分布特征中输入设备中心坐标与输出中心坐标训练基于条权　利　要　求　书 1/2 页 2 CN 114117572 A 2件变分自动编码 器的场景布局模 型3D‑SLN， 并利用优化后的基于条件变 分自动编码 器的场 景布局模型3D ‑SLN结合布局场景中设备分布特征， 得到优化后的设备分布特征， L1损失函 数计算式表示 为： 其中， L1(y,y')为计算得到的输入设备坐标和输出设备坐标的绝对值误差； n为每次训 练的时候， 场 景布局模型3D ‑SLN输出的总设备数； y为3D ‑SLN的输入设备坐标； y'为3D ‑SLN 的输出设备坐标。 9.根据权利要求1所述的基于条件变分自动编码器的布局场景生成方法， 其特征在于， 步骤S4具体包括以下分步骤： S41、 构建重 叠判别器， 根据优化后的设备分布特 征计算各设备间的重 叠程度； S42、 对各设备间的重 叠程度进行归一 化处理， 得到归一 化后的重 叠程度； S43、 利用二值交叉熵损失函数根据归一化后的重叠程度 得到最终的设别分布特征， 二 值交叉熵损失函数计算式表示 为： L(m,m')＝ ‑m×log(m')‑(1‑m)×log(1‑m') 其中， L(m,m')为计算得到的输入数据中各个设备归一化后的重叠程度与输出数据中 各个设备归一化后的重叠程度之间的二值交叉熵损失函数值； m为输入数据中各个设备归 一化后的重 叠程度； m'为输出 数据中各个设备归一 化后的重 叠程度。权　利　要　求　书 2/2 页 3 CN 114117572 A 3